本研究旨在开发利用超复特征变换的图神经网络，通过推断数据自身的乘法规则来实现一种新的模型，其具有正则化效果，能够显著提升 HC 嵌入的表达能力，相比对应的实数 GNN，达到了 more state-of-the-art 的性能，同时内存占用和参数数量都更少。

Mar, 2021

通过使用超网络生成未知算法的可解释网络，控制网络复杂性以及对输入维度的系统化泛化进行了研究。

Dec, 2023

本文介绍了如何使用四元数构建深度网络，通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练，我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能，在分割任务中表现尤为突出。

Dec, 2017

通过使用双曲注意网络，将双曲几何约束引入神经网络的参数，提高了神经网络在处理具有层级结构和幂律分布数据时的泛化能力。

May, 2018

本文介绍了一种基于 Poincaré ball 模型的新型超似曲空间神经网络，该网络构建了多项式逻辑回归、全连接层、卷积层和注意机制，更高效地捕捉数据的分层结构，并在参数效率、稳定性和表现方面优于现有的超似曲组件及欧几里德同类模型。

Jun, 2020

提出了一种参数化超复数乘法的方法，使得模型可以从数据中学习乘法规则，进而在任意维度的超复数空间上进行运算，从而获得更大的架构灵活性和性能优势。

Feb, 2021

本文针对自然语言处理（NLP）任务，提出了一系列轻量级和内存高效的神经网络模型，利用四元数代数和超复数空间进行计算，在不影响性能的情况下减少了模型参数的大小达到 75%。作者提出了四元数变体模型和新的架构，如四元数注意力模型和四元数变换器模型，并在多项 NLP 任务上进行了广泛的实验，证明了所提出的模型的优越性。

Jun, 2019

该论文介绍了一种广泛的矢量值神经网络框架，称为 V-nets，旨在处理包含矢量数组的数据，通过考虑特征通道之间的相互关联来减少参数并实现更稳健的训练，同时解释了矢量值神经网络与传统神经网络之间的关系，并展示了如何在当前深度学习库中实现 V-nets 及其包括超复值神经网络的应用。

Sep, 2023

本论文介绍了 Bayesian hypernetworks 这一神经网络近似贝叶斯推断的框架，并通过可逆的变换实现了对其他神经网络参数的高效估计及其复杂后验分布多模式近似。实际应用表明，Bayesian hypernets 能够比 dropout 更好地抵御对抗样本攻击，并在正则化、主动学习和异常检测等一系列任务上表现出竞争力。

Oct, 2017

本文探讨使用一种网络 (称为超网络) 生成另一种网络 (称为主网络) 权重的超网络方法。超网络可应用于图像识别和序列建模任务，微调权重且性能相较于目前流行的基准模型更接近最佳效果。

Sep, 2016